就优化运营各个方面的决策和评估而言，数据提供了一个改进传统方法的机会。机会的范围通常与可供处理的数据量成正比，因此，高效的计算系统在实现人工智能(AI)相关机制的结构化架构方面发挥着重要作用。
尽管云计算不断取得突破和优化，但目前的数据量太大，无法以最高的效率进行计算。此外，在传输大量数据时，延迟和安全性等参数也成为重要因素。常言道：“善治病者，必医其受病之处；善救弊者，必塞其起弊之源。”同样，要想满足更快处理和大量计算日益增长的需求，就需要从最传统的概念入手，即在本地进行数据处理，从而形成边缘AI处理的基础。
边缘AI是指在设备本身实现适用于AI工作负载的架构(图1)。本地计算数据解决了延迟问题，为实时数据处理铺平了道路，并促进了具有实时决策功能的应用。
当设备未连接许多外部源和目标进行通信时，出现安全威胁的概率较低。这并不意味着边缘AI完全不容易受到网络攻击，因为在节点设备上可以通过远程入侵技术直接发生扩散。然而，这类攻击可以通过在设备本身启用加密和解密的加密芯片来进行防止。
尽管边缘AI受设备尺寸的限制在处理能力上存在边界，但设计上的优化仍然可以在一定程度上提升计算能力。这些优化包括高效的深度学习算法、更快的设备软件，以及具有并行处理能力的架构。
计算系统的可持续性突出了边缘设备的能耗问题，以及与系统上大量计算负载相关的问题。有一些成功的方法，例如对微电网进行风险敏感分析，可以为边缘计算网络提供动力来解决能源调度问题。
图2描述了一种高精度的能源分析算法，以应对由于能源消耗和发电的随机变化而增加的能源需求和供应风险。
其他方法，例如利用微电网平衡本地基站(边缘设备)之间的能量负载以获得最佳能量消耗，以及在自供电网络中实现有效的边缘设备启用和停用模式，促进了边缘计算系统的可持续性。
图3展示了另一种强化学习算法，它侧重于对使用可再生能源的自供电无线网络实现有效的能量分配机制。本地边缘设备将模拟用电量和发电量的预测，同时，每个边缘设备会将时变特征传递给元代理以实现最佳能源分配。
图3：用于可持续边缘计算的自供电能量调度的多代理元强化学习框架。
边缘AI能否实现可持续的大量计算？显然，有许多方法可以管理边缘计算系统的能耗，但这些方法都非常复杂，并且在一定程度上转移了对主要应用的关注。因此，如果嵌入更简单的方法来降低系统的功耗负载，边缘AI就可以可持续发展。
显然，目前企业应用的需求只能通过云来实现，因此，本地基础设施正在云基础设施中被重塑和改造。AI作为数据利用技术的后继者也最适合云架构，但这并不意味着它没有缺点，其中之一是数据通信的延迟，而实时处理是该应用的基本需求。
图4：云AI机制的示意图。
随着应用复杂性的增加，由于设备数量的灵活性、设计的多功能性以及没有电源限制，支持AI工作负载的集中式云计算架构可以以最佳水平运行。因此，与边缘AI不同，我们总是可以使用高效复杂的算法来优化能耗机制。
一般来说，除非应用的重点是安全性和实时处理，否则云AI最适合可持续计算系统。这并不意味着边缘AI非常适合需要实时处理和更安全的安全协议的可持续计算系统。如果使用更简单的能源管理机制来实现，边缘AI就会夺走实时安全应用的“可持续性”奖杯。
（原文刊登于EDN姊妹网站EE Times欧洲版，参考链接：Edge AI vs. Cloud AI: What’s Best for Sustainable Computing Systems?，由Franklin Zhao编译。）
本文为《电子技术设计》2023年1月刊杂志文章，版权所有，禁止转载。免费杂志订阅申请点击这里。
最前沿的电子设计资讯
